HAL Id: tel-00008891
https://tel.archives-ouvertes.fr/tel-00008891
Submitted on 29 Mar 2005
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
d’assimilation de données de rang réduit dans un modèle
de circulation océanique : application à l’océan Pacifique
Tropical
Céline Robert
To cite this version:
Céline Robert. Développement et comparaison de méthodes d’assimilation de données de rang réduit
dans un modèle de circulation océanique : application à l’océan Pacifique Tropical. Mathématiques
[math]. Université Joseph-Fourier - Grenoble I, 2004. Français. �tel-00008891�
Pour obtenirle titre de
Do teur de l'Université Joseph Fourier - Grenoble I
(arrêtés ministériels du 5juillet1984 et du 30 mars 1992)
Spé ialité :Mathématiques Appliquées
présentée par
Céline ROBERT
Développement et omparaison de méthodes
d'assimilation de données de rang réduit dans un modèle
de ir ulation o éanique : appli ation à l'o éan
Pa ique Tropi al
Date de soutenan e : 21Dé embre 2004
Compositiondu jury:
Fran ois-Xavier LeDimet LMC-Université Joseph Fourier Président
Ja ques Blum LJD-Université de Ni e Rapporteur
OlivierTalagrand LMD-ENS Rapporteur
Herlé Mer ier LPO-IFREMER Examinateur
Anthony Weaver CERFACS Examinateur
Eri Blayo LMC-Université Joseph Fourier Dire teur
Ja ques Verron LEGI-CNRS Co-dire teur
Thèsepréparée ausein du Laboratoirede ModélisationetCal ul (IMAG projet IDOPT)et
Bienvenue sur la page personnelle des remer iements ... Un travail de thèse est sans doute le
fruit de plusieurs ontributions. Celui-çi s'est onstruit petit à petit ave la parti ipation a tive
biensûrdesmembresdeséquipesdanslesquellesj'aitravaillémaisausside ertaines ollaborations
extérieuresetde equej'avaisdéjàa quisendébutant.Ilmesemblenalementque haqueélément,
même petit asans doutejoué unrle.
Alorsun grand mer ià mes parentsqui m'ont toujours en ouragée à fairedesétudes (j'ai bien
suivi leurs onseils n'est e pas?). Un grand mer i à mes enseignants de l'ESM2 pour l'avoir fait
dé ouvrirles joies delare her he ave unmer iparti ulier à GérardTavéra.
Mesexpérien espré édentesàAixetaulaboratoireID-IMAGontsansdouterenfor émongoût
pour lare her he et nalement pousséeà reprendre une thèse,alors jevoulaisremer ier i iClaude
Millotquim'a permisd'aller enmer goûterauxjoies de lamesuredanslegolfe duLion etpuis en
Tunisie. J'engarde en ore ungrand souvenir et ela m'apermisde dé ouvrir que jepréfère quand
même fairede l'o éanographie derrière unordinateur!
Mer iauxmembresduprojetIDOPTetdel'équipeEDPduLMCdem'avoirintégrée dansleur
rang.Ungrandmer iàmes ollègues debureauenparti uliermesjoyeux ollègues delasalle3(et
assimilés) : William, Mar , Cyril, Ehouarn, Florian, Morgan, Carine et les autres pour les pauses
afé, les pauses afé et les pauses thé, les dis ussions de foot, les dis ussions tout ourt, qui ont
ontribué à réer un environnement de travail très agréable. Mer i aussià mes ollègues de sport:
Cathy, Manu, William, ...,pourlamotivation, laforme et l'endomorphine.
Comme j'ai quandmême travaillé, je remer ie aussi les 4D-Varistes : Sophie et Arthur pour la
miseenroute, Anthonypour le odeet Maelle pour lesdi ussions!
De même, un petit lin d'÷il à l'équipe assimilation du LEGI, pour les réunions du jeudi. Un
grand mer i à Jean-Mi hel pour les onseils te hniques, la mise en ÷uvre du ltre SEEK et les
réponsesauxquestions!
Et puis un grand mer i à Eri Blayo pour ses qualités de dire teur de thèse. Il a su suivre e
travail deprèstoutenmelaissantune autonomietrèsimportante! Madémar he initialesortaitun
peu de l'ordinaire mais 'est sansinquiétude (apparente au moins:)) qu'il a a epté d'en adrer e
travail. Il a toujours su se rendre disponible y ompris pour la rele ture et pour tout ela je l'en
remer ietrès sin èrement! Mer i également àJa quesVerronqui m'adonné lesmoyensd'ee tuer
etravaildansle adred'une ollaboration ave leLEGI, dansunenvironnement dynamique.Tout
Olivier Talagrand, Herlé Mer ier et Anthony Weaver ainsi qu'à François-Xavier Le Dimet qui a
a eptéd'en êtrelePrésident.
Je nis par le pilier de l'équipe, elui qui est toujours là dans les bons moments omme dans
l'adversité: mer i Vin ent.
Remer iements iii
Introdu tion 1
1 L'assimilation de données : introdu tion théorique 5
1.1 L'assimilation dedonnées . . . 6
1.1.1 Introdu tion. . . 6
1.1.2 Composantes d'un systèmed'assimilation: des riptionet notations . . . 6
1.1.3 Les erreursdanslepro essus . . . 8
1.2 Méthodes d'assimilationséquentielle . . . 10
1.2.1 Filtre de Kalman . . . 10
1.2.2 Filtre de KalmanEtendu . . . 12
1.2.3 Contraintes liées àlamiseen ÷uvrepratique . . . 13
1.3 Assimilation variationnelle . . . 13
1.3.1 Formulation du problème . . . 14
1.3.2 Formulations di rètes. . . 16
1.3.3 Contrle del'erreur modèle . . . 18
1.3.4 Minimisation de lafon tion oûtpar méthode adjointe . . . 19
1.3.5 La matri e Benassimilation variationnelle . . . 22
1.4 Equivalen e formelle . . . 27
1.5 Rédu tion d'ordre en assimilation dedonnées . . . 27
1.5.1 Prin ipethéorique . . . 27
1.5.2 Appli ation aultre de Kalman: leltre Seek . . . 28
1.5.3 4DVarréduit . . . 31
1.5.4 Con lusions . . . 32
1.6 Analyse et diagnosti s . . . 32
1.6.1 Validation dessystèmes . . . 32
1.6.2 Diérentes normesutiliséesdans lepro essusd'assimilation . . . 33
2 L'assimilation de données dans l'o éan Pa ique tropi al 37 2.1 Dynamique de l'o éan Pa iqueTropi al . . . 38
2.1.3 La dynamiqueo éaniqueen période El Niño. . . 40
2.2 Le modèle OPA . . . 43
2.2.1 Hypothèseset équations . . . 43
2.2.2 Dis rétisation . . . 45
2.3 Conguration desexpérien es :le modèleTDH . . . 46
2.3.1 Cara téristiques du modèle . . . 46
2.3.2 Forçages utilisés . . . 47
2.3.3 Ebau he et état initial . . . 48
2.3.4 Données assimilées . . . 48
2.4 Modélisationnumérique delazone Pa iqueTropi alet validation dumodèle OPA . 49 2.5 Assimilation variationnelle dansl'o éan Pa iqueTropi al . . . 51
2.5.1 Assimilation de donnéesde température TAO . . . 51
2.6 Assimilation séquentielle dansl'o éan Pa ique Tropi al . . . 53
2.6.1 Assimilation séquentielle de hamps 2D . . . 53
2.6.2 Assimilation séquentielle de hamps 3D . . . 53
3 Expérien es préliminaires de validation et expérien es jumelles en assimilation variationnelle 55 3.1 Les omposantesdu4DVar omplet:lamatri eB,lesforçagesetlavariableassimilée 56 3.1.1 Contextegénéral desexpérien es . . . 56
3.1.2 Sensibilité du systèmeen expérien es jumelles . . . 60
3.1.3 Sensibilité du systèmeen assimilationde données réelles . . . 65
3.2 Expérien es en 4DVar réduit : première omparaison ave le 4DVar en expé-rien es jumelles . . . 70
3.2.1 Conguration des expérien es . . . 70
3.2.2 Assimilation d'uneseule observation . . . 72
3.2.3 Expérien esjumelles . . . 73
3.2.4 Con lusion . . . 79
3.3 Le rle durappelen surfa e dansl'assimilation dedonnées . . . 79
3.3.1 Inuen e durappelen SSTsurlatraje toire deréféren e . . . 80
3.3.2 Eet du rappel en SSTsur lasolution d'un y led'assimilation en 4DVar réduit . . . 82
3.4 Con lusions . . . 85
4 Expérien es réalistes en 4DVar réduit 87 4.1 Gestion de l'erreur modèle parle 4DVar réduit . . . 88
4.1.3 Con lusions . . . 90
4.2 Spé i ation dusous-espa ede orre tion . . . 91
4.2.1 Conguration . . . 91
4.2.2 Choix de labasede orre tion. . . 91
4.2.3 Con lusion surle hoix delabase de orre tion . . . 94
4.3 Cy lage ave re ouvrement . . . 94
4.3.1 Inuen e dure ouvrement . . . 95
4.3.2 Con lusions surle y lage ave re ouvrement . . . 98
4.4 Pré onditionnement du 4DVar par le4DVarréduit . . . 98
4.4.1 Une appro he mixte . . . 98
4.4.2 Corre tionpar le4DVar ompletde lasolution obtenueave le4D-varréduit 99 4.4.3 Con lusions surle4DVarmixte . . . 103
4.5 Con lusions . . . 103
5 Expérien es préliminaires en assimilation séquentielle 105 5.1 Présentation desexpérien espréliminaires . . . 106
5.2 Sensibilité auxdiérentsparamètres du ltre . . . 107
5.2.1 Initialisation . . . 107
5.2.2 Rle dufa teur d'oubli. . . 107
5.2.3 Evolution dela basede orre tion . . . 113
5.3 Con lusions . . . 116
6 Expérien es réalistes ave le ltre Seek 117 6.1 Assimilation de donnéesTAO seules . . . 118
6.1.1 Inuen e dufa teur d'oubliet intera tion ave l'évolution de labase . . . 118
6.1.2 Erreurs Rmspar rapportauxdonnées XBT . . . 124
6.1.3 Con lusions . . . 125
6.2 Assimilation onjointe dedonnées XBT et TAO . . . 126
6.2.1 Apportdesdonnées XBT . . . 126
6.2.2 Evolution dela solutionet de sapartie orthogonale . . . 129
6.2.3 Con lusions surl'assimilation de donnéesTAOet XBT . . . 130
6.3 Con lusions . . . 131
7 Comparaison 4DVar réduit / Seek sur l'o éan Pa ique tropi al 133 7.1 Comparaison du4DVar réduitet du ltre Seeken expérien es jumelles . . . 135
7.1.1 Comparaison de laphased'analyse . . . 135
7.1.2 Comparaison de laphasede prévision . . . 137
7.1.3 Positionde l'état prédit par rapportausous-espa e de orre tion . . . 139
7.2.2 Positionde l'in rément prédit par rapport ausous-espa ede orre tion . . . . 145
7.3 Comparaison de haque expérien eave desdonnées issuesdu réseau TAO . . . 146
7.3.1 Comparaison ave lesdonnées detempérature : validation desalgorithmes . . 146
7.3.2 Comparaison ave lesdonnées indépendantes de ourantset salinité . . . 149
7.4 Con lusions . . . 155
8 Hybridationdes systèmes 4DVar réduit et Seek 157 8.1 Equivalen e et hybridation desméthodesséquentielleset variationnelles . . . 158
8.1.1 Equivalen e formelle . . . 158
8.1.2 Hybridation du3D-Varet du ltre deKalman d'ensemble . . . 159
8.2 Hybridation du4D-Var in rémental et dultre SEEK . . . 159
8.2.1 Le 4DVarin rémental . . . 160
8.2.2 Filtre Seek . . . 160
8.2.3 Algorithme d'hybridation . . . 161
8.2.4 Con lusions . . . 161
8.3 Appli ation au asd'une équationd'adve tion-diusion . . . 161
8.3.1 Cas d'un modèle linéaire . . . 162
8.3.2 Cas d'un modèle non-linéaire . . . 162
8.3.3 Con lusions . . . 163
8.4 Appli ation au asdu modèleTDH du Pa ique Tropi al . . . 163
8.4.1 Algorithme d'hybridation . . . 163
8.4.2 Implémentation en expérien es jumelles . . . 166
8.4.3 Implémentation en donnéesréelles . . . 167
8.4.4 Con lusions . . . 170
Con lusions et perspe tives 173 Bibliographie i Annexes vii A Basesréduites:dé ompositionenbaseEofs(Empiri alOrthogonalFun tions) ix A.1 Cal ul desbased'Eofs . . . ix
A.1.1 Présentation. . . ix
B.1 Minimisation . . . xiii
B.1.1 Algorithme de Newton . . . xiii
B.1.2 Algorithme de Quasi-Newton . . . xiv
B.1.3 Estimation de W . . . xiv
B.1.4 Quasi-Newton àmémoire limitée . . . xv
B.2 Minimisation de J en pratique . . . xv
B.2.1 Détermination dupas . . . xv
B.2.2 Une itération interne en pratique . . . xvi
B.2.3 Les routines . . . xvi
C Assimilation variationnelle : le ode OPAVAR xvii C.1 Organisation du ode. . . xvii
C.2 Algorithme deminimisation . . . xviii
C.3 Cas parti ulier desexpérien es jumelles . . . xviii
D Assimilation séquentielle : SESAM et le ltre Seek xxi D.1 Organisation du odeSeek . . . xxi
D.2 Constru tion d'un hier restartpourOPA . . . xxii
Laprévisiondel'évolution delamétéorologie estune hosequinousestfamilière,de mêmeque
lamétéo marinepermet de onnaîtreà ourtterme l'évolution dutempssurles tes.Laprévision
del'évolution deso éans à ourt, moyenou long terme estune dis ipline un peu moins onnue du
grand publi . Elle est pourtant devenue opérationnelle. C'est un desobje tifs du projet
MERCA-TOR. Ce projetfournit en parti ulier, haque semaine, desprévisions à quelquesjours de l'o éan
atlantique et de la Méditerranée à haute résolution. La prévision opérationnelle de l'évolution de
l'état de l'o éan a plusieurs appli ations. Par exemple, la prévisionpeut être utile pour prévoir la
propagationdenappesdepolluantsàlasurfa edeso éans, ettepropagationétantliéeàl'évolution
des ourants de surfa e.La des riptionet laprévisionde la situation o éanique onstitue aussiun
outild'aide pour ertaines a tivitésdepê he,ouen ore, pour ellesliéesauxplate-formes oshore.
Enn, la donnée des artes de ourant peut servir de façon plus ane dotique aux marins engagés
dansdes oursespour optimiserleur traje toire. On voitdon queles appli ations sont diverseset
plusou moins ru iales!
Un aspe t fondamental est le rle que joue l'o éan dans le limat du fait de sa très grande
apa itéthermique.Ilpermet eneetderéguler,demodier, voired'amplier ertainsphénomènes
limatiques.Eneet, ertainsphénomènesdegrandeé helle, ommeElNiño,sontfortement ouplés
ave la ir ulation o éanique. L'étude de ette ir ulation permet d'établir le rle de l'intera tion
o éan-atmosphère de façon à être apable de l'identier et éventuellement de le prédire. Ce type
dephénomène limatique a unimpa t so io-é onomiquetrès important. Sonétude revêt don une
importan e parti ulière.
Pour étudier esphénomènes, des modèles mathématiques et numériques ont été développés.
Les systèmes météorologiques et o éanographiques sont des systèmes fortement non-linéaires et
haotiques. La turbulen e dans e type d'é oulements est une omposante importante de la
dyna-mique, au niveau de l'é helle à laquelle elle se produit mais aussipar intera tions ave les autres
é helles. Larésolutionnumérique de etypedesystème,parunmodèledis ret,faitentrerenjeuun
ertainnombre d'approximations qui on ernent presquetous les omposantsde e modèle. Parmi
es erreurs et approximations, on peut iter en parti ulier les approximations dues à la
dis réti-sation du domaine physique étudié, à la paramétrisation des phénomènes d'é helle inférieure à la
taille de la maille (turbulen e sous-maille),ou en ore les erreurs sur la ondition initialequi n'est
qu'imparfaitement onnue. Le modèle est don une sour e insusante d'informations pour avoir
une onnaissan e exa te des phénomènes étudiés. Ces erreurs initiales, ou introduites au ours du
al ul,vontavoirunetraje toireliéeà elledumodèle.Latraje toireaprioridumodèleestdi ile
àévaluer et ilen estde même pour lapropagation deserreurs.
Onpeut iter diérenteste hniquesde mesures,ils'agitprin ipalement demesures satellitesou de
ampagnesàlamer.Enparti uliereno éanographie,lesmesureseneauprofondesonttrèsdi iles
àobtenir en nombre important. Ilen résulte unedistribution irrégulière en temps et en espa edes
donnéesdisponibles. Cetype d'information est apital pour la onnaissan e du systèmemais reste
insusant lui aussi.
Unesolutionestdon detirerpartide esdeuxsour esindépendantesd'informations pour
obte-nirune onnaissan eplusapprofondiedusystèmeétudié.C'estl'objetdesméthodesd'assimilation
dedonnées. Le butde esméthodesestde pré iserl'étatdu systèmeobtenu parun modèlegrâ e
à l'introdu tion au ours de la simulation de données mesurées. Il s'agit d'imposer au modèle des
ontraintes supplémentaires pour for er sa traje toire à se maintenir la plus pro he possible des
données.
L'intérêt de ombiner esdeuxsour es(modèleetdonnées)estd'obteniruneestimationdontla
varian e d'erreur estinférieure à haquevarian e initialeet don d'obtenir un résultatplus pro he
de la "réalité". Toutefois, en introduisant des mesures dans le modèle, on introduit de nouvelles
sour esd'erreurs liées auxdonnées observées: erreursd'observation, erreurs de représentation des
donnéessur une grille dis rète, erreurs de prise en ompte de es données dansun pro essus
d'as-similation (il ne s'agit pas for ément dire tement d'une variable du modèle), pour lesquelles on
manque également de onnaissan e.
Pour les systèmes étudiés, le nombre de points de grille né essaires à la modélisation de zones
aussiétendues quel'o éan Pa ique Tropi alesttrèsimportant. Lamiseen÷uvredesalgorithmes
omplets,qu'ilssoient séquentielsouvariationnels,poseen oreaujourd'hui desproblèmesde temps
de al ul et de sto kage enmémoire. C'estpourquoidesméthodesde rang réduit sontdéveloppées
pour permettre d'augmenterl'e a ité numérique de esalgorithmes et ainsiétudier desdomaines
plusvastesouen ore utiliserdesgrillesde maillage plus nes.
C'estdans e ontextequesesituenotretravail.Il vas'agird'unepartde développer et mettre
en ÷uvrediérentes méthodes séquentielles et variationnelles, de rang réduit, dansune
ongura-tionréaliste qui est elle de l'o éan Pa ique Tropi al. D'autre part, les solutions obtenues seront
omparées entre elles puis par rapport à des observations ee tuées dans la zone. Dans la zone
géographiqueétudiée, la ir ulationestde natureplus linéaireque dansd'autrespartiesde l'o éan
mondial. Cela fa ilite l'appli ation des algorithmes d'assimilation de données dans la mesure où
ertaines hypothèsessont plus fa ilement satisfaites. Cette zone a aussi l'avantage d'être observée
depuislongtemps par unréseau de mouillages (réseauTAO/TRITON).
Nous ommen ons par détailler les méthodes séquentielleset variationnelles d'un point de vue
théorique ( hapitre 1). Nous dé rivons ensuite les expérien es réalisées auparavant ave des
mé-thodes existantes, dans ette onguration réaliste ( hapitre 2). Nous présentons ensuite de
nou-vellesappro hes,basées surle4DVaretuneméthodederédu tiond'ordre,ainsiquelesrésultats
préliminairesobtenusave lesméthodesvariationnelles, enexpérien esjumelles( hapitre3)puisen
assimilant desdonnées réelles de prols de température ( hapitre 4). Ensuite, nous présentons les
expérien esee tuées,danslamême onguration,ave uneméthodeséquentiellederangréduit:le
algorithmessera réalisée ( hapitre 7) en expérien es jumelles puisen données réelles.Nous
présen-teronsaussi,au oursde e hapitre, la omparaison ee tuée ave desdonnéesindépendantes an
de valider su intement la pertinen e physique des résultats obtenus. Enn, au hapitre 8, nous
présentons la miseen ÷uvre d'uneméthode d'hybridation séquentielle/variationnelle et son
L'assimilation de données : introdu tion
théorique
❁
Sommaire❁
1.1 L'assimilationde données . . . 6
1.1.1 Introdu tion . . . 6
1.1.2 Composantesd'unsystème d'assimilation: des riptionetnotations. . . 6
1.1.3 Leserreursdanslepro essus . . . 8
1.2 Méthodes d'assimilation séquentielle . . . 10
1.2.1 FiltredeKalman . . . 10
1.2.2 FiltredeKalmanEtendu . . . 12
1.2.3 Contraintesliéesàlamiseen÷uvrepratique . . . 13
1.3 Assimilationvariationnelle . . . 13
1.3.1 Formulationduproblème . . . 14
1.3.2 Formulationsdi rètes . . . 16
1.3.3 Contrledel'erreurmodèle . . . 18
1.3.4 Minimisationdelafon tion oûtparméthodeadjointe . . . 19
1.3.5 Lamatri eBenassimilationvariationnelle . . . 22
1.4 Equivalen eformelle. . . 27
1.5 Rédu tion d'ordreen assimilationde données . . . 27
1.5.1 Prin ipethéorique . . . 27
1.5.2 Appli ationaultredeKalman:leltreSeek . . . 28
1.5.3 4DVarréduit . . . 31
1.5.4 Con lusions . . . 32
1.6 Analyse etdiagnosti s . . . 32
1.6.1 Validationdessystèmes . . . 32
1.1 L'assimilation de données
1.1.1 Introdu tion
On peut distinguer prin ipalement deux lasses de méthodes d'assimilation de données, très
utiliséeseno éanographieetenmétéorologie :l'assimilation séquentielleetl'assimilation
variation-nelle.
Dans le adre de l'assimilation séquentielle, basée surla théorie de l'estimation statistique, on
ee tueuneassimilation(uneanalyse)à haquepasdetempsoùl'ondisposed'unenouvelledonnée;
laphasedesimulation quisuit ette assimilation estune phaseditede prévision.
L'assimilationvariationnelle,quant-à-elle,est uneméthode de ontrle, qui onsiste àassimiler
desdonnéesdisponiblessurunepériodexe(fenêtretemporelle)pourdéterminer,parexemple,l'état
initial qui permet au modèle de "suivre" le mieux possible es données sur l'intervalle onsidéré.
L'analyseestalors ee tuéesurtoutelafenêtre temporelleet onpeut ensuitefairede laprévision.
Une des di ultésren ontrées ave e genre de méthodes, est ladimension des ve teurs
mani-pulésdansl'étuded'un systèmeréaliste.Lessystèmesétudiés omportent ouramment de
10
6
à
10
7
degrés de liberté. L'étude du système omplet induit don une o upation en mémoire et un oût
de al ul très important. Une solution possible onsiste à ne orriger l'état que suivant ertaines
dire tionsseulement, réduisant de e faitles dimensions duproblème. Le problèmesous-ja ent est
alorsle hoixdesdire tionsde orre tionpertinentes( hoixd'unebaseparti ulière).Lades ription
de ette appro he,appeléeméthode de rang réduit,sera développée au 1.5.
Dans ette première partie, nous ommençons par introduire assez brièvement les diérentes
omposantes d'un système d'assimilation, ainsiqueles notations que nousutiliserons toutau long
dudo ument.Nousdétaillonsensuitelesméthodesd'assimilationdedonnéeslesplusutilisées(1.2
et 1.3), en essayant de pré iser e que peut être une validation du système et/ou des résultats
(1.6).Nousterminons par une présentation desméthodes d'assimilationen baseréduite (1.5).
1.1.2 Composantes d'un système d'assimilation : des ription et notations
Dans ette partie, nousintroduisons brièvement les diérentes omposantes d'un système
d'as-similation ensuivant pour elales notationsprésentées et utilisées par Ideet al.,[30 ℄.
Lesystème étudié
Dans le ontexte o éanographique (qui est elui dans lequel nous nous plaçons par la suite),
le système étudié est un système omplexe, gouverné par un système d'équations non-linéaires
tridimensionnelles, omportant une évolution temporelle. On est don en présen e d'un système
dynamiquenon-linéaire( ouplédansle asgénéralave lesystèmeatmosphériqueetéventuellement
ave d'autres systèmes omme le systèmehydrologique ou en orelavégétation).
Onpeut dénir unétat réeldusystème, quireprésente laréalitéà uninstant donné.Cet état
ontientlatotalité del'information représentative dusystèmeà etinstant (au uneerreurne vient
perturber sa valeur). On le note x
t
. La onnaissan e que nous avons de et état est partielle au
regardde lataille dusystèmeréel, et danstousles as,perturbée par un ensembled'erreurs.
Lemodèle utilisé
En o éanographie, de nombreux modèles existent et ont déjà été largement testés et validés.
Dansnotre as, lemodèle tri-dimensionnel OPA (Made et al.,[40 ℄)est onstitué deséquations de
systèmed'EquationsPrimitivesquiseradétailléauparagraphe2.2)dis rétiséessurunegrille3D.A
eséquations,onajoute ertainstermes(ou équations)ande ompenser lesapproximationsfaites
lors de la onstru tion du modèle (modélisation de laturbulen e sous-maille, prise en ompte des
ux),appeléesparamétrisations.
Dans e type de modèle, les variables prognostiques (obtenues par évolution temporelle)
gé-néralement al ulées sont la vitesse (une omposante suivant les 2 dire tions horizontales), notée
U
h
= (u, v)
, latempératurepotentielleTetlasalinitéS.Suivantlesversions,onpeutaussitrouveromme variable d'état l'élévation de la surfa e notée
η
h
. A es variables s'ajoutent des variablesditesdiagnostiques,obtenuespar al ulà partirdespré édentes(onne al ulepasl'évolution
tem-porelle de e type de variable). Parmi elles- i on peut trouver par exemple la vitesse verti ale
w
oulafon tion de ourant barotrope
Ψ
.Ces variables représentent un état du système à un instant donné. Un ve teur d'état peut
don être onstruit à partir de es variables, omme par exemple le ve teur x
= (
Uh
, T, S) ouéventuellement x
= (
Uh
, T, S,η
h
)
.Si l'onnoteXl'état réeldusystème, et
M
lemodèle ontinu exa t deséquationsquirégisssentlesystème,l'évolution temporelle de Xs'é rit formellement :
∂X(t)
∂t
= M(X, t)
(1.1)Cetétatréeln'estpasportéànotre onnaissan e,demêmequelemodèle ontinuexa t.Ondispose
seulement d'uneestimation de l'étatdu systèmeet d'un modèle numérique qui omporte ertaines
approximations.Leve teur x,quiestunétatdu systèmeà uninstant donné,obtenu paritérations
su essivesdumodèlenumérique non-linéaire
M
,estpropagéen tempsparlaformulation ontinuesuivante :
∂
x(t)
∂t
= M (
x, t) + η
(1.2)Onen déduitlaformulation dis rète entemps et enespa e qui s'é rit formellement :
x
t
i+1
= M
(t
i
,t
i+1
)
(
xt
i
) + η
i
(1.3)où
η
i
représente l'erreur modèle (généralement onsidérée non biaisée). L'indi ei
représente ladis rétisationtemporelle:
t
i
∈ {t
1
, ..., t
p
}
. Les ara téristiquesplus pré ises du modèleutilisé dansnotreétudeseront détailléesdansle hapitre 2.
Les données observées
Lesystèmeétudiéestpartiellement observépar unréseaud'instrumentsdemesure: ampagne à
lamer,donnéessatellites.Ilfautsoulignerqu'auregarddunombredepointsspatiauxdumaillagedu
modèledis ret, lesmesuresdisponiblessontrelativement peunombreuses. Le hampd'observations
obtenu peut être représenté par un ve teur des observations, noté y
o
, dont les omposantes
y
o
i
sontdistribuées surune fenêtre temporelle.
Dufaitdurelativement petitnombredemesures,ilexistemoinsdepointsd'observationsquede
points de grille de la dis rétisation du domaine étudié. Pour mesurer l'é art entre les observations
et les résultats du modèle, on hoisit de se pla er dans l'espa e des observations. On dénit don
unopérateur d'observation, notéH,qui permet de passer de l'espa e du modèleà l'espa e des
observations : l'inverse impliquerait untraitement tropentâ hé d'erreurpour ramenerlesdonnées,
observéessurune grilletrèsirrégulière,surlagrilledenseetrégulière dumodèle(on limiteainsiles
De la même façon que pour la formulation du modèle, si l'on pouvait observer le système de
façonexa te onaurait :
Y
o
= H(X),
aveY
o
le ve teur d'observations exa t et
H
l'opérateur d'observation exa t (1.4)Or,on ne onnait tout e i quedefaçon appro hée. Onaalors :
Y
o
=
yo
+ ǫ,
ǫ
l'erreur d'observation (1.5)
Par suite laformulation dis rètea pourexpression :
y
o
i
= H
i
[
xt
(t
i
)] + ǫ
i
, t
i
∈ {t
1
, ..., t
p
}
(1.6)où
ǫ
représente l'erreur asso iée aupro essusde prise en ompte desdonnées1 .
Il faut noter que l'assimilation ne porte pasné essairement sur l'état omplet du système. On
peutassimilerseulementunepartiedesobservationsportantsurleve teurd'état.Onpeutassimiler
aussiune donnée qui n'est pas dire tement une variable du modèle. Dans e as, on introduit un
terme d'erreur supplémentaire dans l'opérateur d'observation, dû à la tradu tion de e terme en
fon tiondesvariablesd'état(parexemple,lorsdel'assimilationdedonnéesdehauteurde merdans
unmodèle d'o éan àtoit rigide, lahauteurdynamique estune variable diagnostique).
Analyse et prévision
Lepro essusd'assimilationdedonnéesdébute àpartird'un étatleplussouventissu d'une
simu-lation antérieure, appelé ébau he (ou en ore ba kground) et noté x
b
. Lors d'une séquen e
d'assi-milation de données, on her he un état analysé, noté x
a
, qui est un état du système, orrigé par
l'information issue des observations, introduite dans le système. Ces deux états sont al ulés au
tempsinitial du y led'assimilation.
La phase qui suit ette période d'analyse est elle dite de prévision, qui est l'appli ation du
modèle non linéaire
M
à l'état analysé xa
, dont on her he l'évolution temporelle. Cet état prévu
estnotéx
f
, pour "fore ast".
1.1.3 Les erreurs dans le pro essus
Comme nousl'avons vuen introdu tion, dans un tel pro essus, les sour esd'erreurs sont
mul-tiples et onstituent une part importante des in onnues. Une façon d'obtenir une approximation
de leur valeur est une estimation statistique. Une approximation onsiste à supposer qu'elles sont
gaussiennesnon biaisées, e qui onduit àl'existen e d'unesolution optimale.
Lessour esd'erreurs sont prin ipalement :
Erreur sur la ondition initiale du modèle (mauvaise onnaissan e de l'état initial) e
b
: et
état ontient deserreursqui peuvent s'amplierau oursde l'évolution temporelle.
Erreur modèle
η
: le modèle numérique est onstruit en ee tuant ertaines approximations(paramétrisations, estimation des é hanges à la surfa e...). Ces approximations introduisent
des erreurssur les états obtenus à l'issuede l'intégration temporelle dumodèle. Pour le
mo-dèledis rétisé,onajouteleserreursdetron ature, duesàl'utilisationdes hémas numériques
d'ordre plus oumoinsélevé.
1
Remarque:enpratique etteéquationestinutilisable, aronne onnaîtpasdutoutx
Erreurd'observation
ǫ
:enplusdeserreursliéesauxinstruments, ertainesobservationsrepré-sentent des phénomèneslo aux non-résoluspar lesystème d'assimilation. Cetteinformation
est don perdue alors qu'elle peut avoir une grande inuen e sur le système. Enn, la prise
en omptede esdonnéesdanslapro édured'assimilationné essitequelquestransformations
préalables (interpolation, opérateur d'observation, ...)quipeuventintroduire deserreurs
sup-plémentaires.
Erreur de représentativité
ǫ
: 'estl'erreur qui seproduit lors du passage de l'espa e modèleà l'espa e desobservations etque l'onquantiepar : y
− H(
x)
.Ces erreurs sont prises en ompte dans le pro essus d'assimilation par leurs matri es de ov
a-rian e. Rappelons que la ovarian e d'un ve teur aléatoire X est la matri e C
= E(XX
t
)
, où E
estl'espéran e mathématique. En pratique nous verrons par lasuite que es matri es sont le plus
souvent estiméesou paramétrisées, leur onnaissan e exa teétant en général impossibleà obtenir.
En résumé, les matri es de ovarian es d'erreurs utilisées dans les deux prin ipales méthodes
d'assimilationsont don :
B : lamatri e de ovarian e d'erreur d'ébau he,
Q : lamatri ede ovarian e d'erreurmodèle,
P
a
: lamatri e de ovarian e d'erreurd'analyse,
P
f
:la matri ede ovarian e d'erreurde prévision,
R = E +F : la matri e de ovarian e d'erreur d'observations, omposée des erreurs liées
auxinstruments et de elles liéesà lareprésentativité.
Cesnotions étant introduites,nousallonsprésenterplusendétaillesdiérentesméthodes
1.2 Méthodes d'assimilation séquentielle
Dans ette partie, nous allons détailler le prin ipe de l'assimilation séquentielle ainsi que les
prin ipauxalgorithmesdéveloppés.L'assimilationséquentielle onsisteàee tuerune orre tionde
latraje toiredumodèleà haquenouvelledonnée disponible,suivantlaséquen edé riteàlagure
1.1.
Observation 1
Observation 2
T1
T2
T3
T0
Spin−up
Trajectoire
1
sans assimilation
1
Trajectoire du modèle
après analyse
X
a2
X
b2
X
01
= Xb1
X
a1
Fig. 1.1 Pro essusglobal d'assimilationséquentielle
Lapro édure onsisteenunepremièrephasede orre tiondel'étaten ours,grâ eàl'information
issue des données observées, à l'instant où la donnée est observée. Elle est suivie d'une phase
de prévision à l'aide du modèle numérique, initialisée ave l'état analysé au temps pré édent. Ce
prin ipeest àlabase dultre de Kalman, quenousallonsdétailler.
1.2.1 Filtre de Kalman
Le ltre de Kalman est un ltre d'assimilation séquentielle de données, adapté aux modèles
dynamiques et aux opérateurs d'observation linéaires développé par Kalman en 1960 [32℄. Il est
basésur lathéorie de l'estimation dont le BLUE dé rit i-dessous est une illustration. Le ltre de
Kalmangénéralise l'estimation optimale aux systèmes dynamiques pour lesquels on disposed'une
équation d'évolution. Nous allons présenter l'algorithme mis en ÷uvre dans le ltre de Kalman,
ainsiqueles modi ations né essaires à l'extension aux modèles et opérateurs d'observations
non-linéaires: leltre de Kalmanétendu(EKF).
LeBLUE (Best Linear Unbiased Estimator)
Considéronsdeuxestimationsy
1
ety2
d'unmêmeétatquel onquex(xestunevariablealéatoire).On note
σ
1
etσ
2
les é art-types asso iés à es deux estimations. Une hypothèse supplémentairee
1
ete2
. La meilleureestimation, xa
, de x onnaissant y1
, y2
,σ
1
etσ
2
, est donnée par :x
a
=
σ
2
2
σ
2
1
+ σ
2
2
y1
+
σ
2
1
σ
2
1
+ σ
2
2
y2
(1.7)Cet estimateur (non biaisé) est appelé le meilleur estimateur linéaire non-biaisé (estimateur de
varian e minimale. Cette équationpeutêtre réé rite souslaforme :
x
a
=
y1
+
K(
y2
−
y1
)
Kest appelé legainet vaut
:
K
=
σ
2
1
σ
2
1
+ σ
2
2
Cetteméthode duBLUE(BestLinear Unbiased Estimator)està l'originedelathéoriedultre de
Kalman.
1.2.1.1 Des ription du ltre de Kalman
Leltre deKalman onsiste, omme indiquépré édemment,enl'appli ation su essivededeux
typesd'étape:uneétaped'analysesuivied'uneétapedeprévision,durantlaquellel'étatanalyséest
propagédansletemps.Laparti ularitédultre deKalman,par rapportnotamment auxméthodes
variationnelles qui seront présentées ensuite, est qu'à haque étape, il fournit une estimation des
erreursfaiteslors del'analyse et de laprévision.
Etape d'analyse
Ondisposeàuninstantdonné durésultatde laprévisionpré édente x
f
etduve teur
d'observa-tiony. L'équation prin ipale de l'étape d'analysese metsous laforme:
x
a
=
xf
+
K(
y− H(
xf
))
K est appelée matri e de gain du ltre. On rappelle que
H
est l'opérateur d'observation. L'étatanalysé,x
a
,estune ombinaisonlinéairedexf
,laprévisionfournieparlemodèleetd'une orre tion
qui dépend de l'é art entre les observations et leurs équivalents modèle. Cette équation d'analyse
fournitaussiune expressiondel'erreurd'analyse, quel'on notee
a
, dematri e de ovarian e P
a
, en
fon tiondel'erreur deprévisione
f
(de matri ede ovarian e P
f
)et del'erreur d'observation
ǫ
(dematri ede ovarian e R):
e
a
=
ef
+
K(ǫ −
H ef
)
Onremarque quel'estimationdel'erreur faitintervenirl'opérateur linéariséHde l'opérateur
d'ob-servations. Cetteexpressionde e
a
permet d'obtenir uneexpression de lamatri eP
a
: Pa
= E[
ea
eaT
] = [
I - KH]
Pf
[
I - KH]
T
+
KR KT
(1.8)Si on her he la matri e de gain optimale K qui minimise la varian e de l'erreur d'analyse, on
obtient l'expression: K
=
Pf
HT
[
HPf
HT
+
R]
−1
Ensubstituant Kdansl'équation(1.8) , l'expressionde P
a
sesimplie pour donner:
P
a
= [
I -KH
]
PEtape de prévision
Onprend en omptel'erreur modèledans etteétapedeprévision.Cetteerreur estgénéralement
onsidérée omme non-biasée et dé orrelée dans le temps. Considérons M un modèle dynamique
linéaireet Q lamatri e de ovarian e de l'erreur modèle. L'évolution del'état vraidusystème par
lemodèledynamiques'é rit :
x
t
k+1
= M
k,k+1
x
t
k
+ η
k
Apartird'unétatanalyséobtenuàlaséquen epré édente,onee tueuneprévisionsurunintervalle
detempsxé
[t
k
, t
k+1
]
. Leséquations del'étapedeprévision,àpartir de etétatanalysé,s'é riventdelafaçon suivante :
x
f
k+1
= M
k,k+1
x
a
k
L'erreurmodèleest prise en ompte dansl'erreur deprévision. L'équation quigouvernel'évolution
de ette erreur devient :
e
f
k+1
= M
k,k+1
e
a
k
+ η
k
de matri ede ovarian e d'erreur:
P
f
k+1
= E[
ef
k+1
ef T
k+1
] = M
k,k+1
P
a
k
M
T
k,k+1
+ Q
k
Ala nd'une étape d'analyse-prévisionde l'algorithme, on obtient l'état x
f
k+1
, à partir duquel onpeut réaliserune nouvelle étape d'analyseave lesnouvellesdonnées disponibles.
Algorithme du ltre de Kalman :
•
Analyse Kk
=
Pf
k
HT
k
[
Hk
Pf
k
HT
k
+
R]
−1
k
xa
k
=
xf
k
+
Kk
(
yk
−
Hk
xf
k
)
Pa
k
= [
I−
Kk
Hk
]
Pf
k
(1.9)•
Prévision xf
k+1
=
Mk,k+1
(
xa
k
)
Pf
k+1
=
Mk,k+1
Pa
k
MT
k,k+1
+
Qk
(1.10)1.2.2 Filtre de Kalman Etendu
Onavuqu'unehypothèsefortedultredeKalmanestlalinéaritédumodèle
M
.Or,lapratiqueeno éanographiemetenjeu omme nousl'avonsvudesmodèlesnon-linéaires. Ilfaut don utiliser
une version généralisée du ltre de Kalman, dite ltre de Kalman Etendu (EKF), qui permet
laprise en ompte de modèles faiblement non-linéaires (notés alors M). Cela né essite la mise en
÷uvred'un modèle linéaire tangent, dérivé du modèle dire t. La solution obtenue n'est alors plus
unesolutionoptimalemaisappro hée.Lavaliditédumodèle linéairetangent,linéariséautourd'un
pro essus sont quant-à-elles toujours al ulées ave les opérateurs linéaires tangents M et H. On
rempla ealors Met H parM et Hdanslesopérations asso iéesauxerreurs.
L'algorithme s'é rit dans e as:
Algorithme du ltre de Kalman Etendu :
•
Analysex
a
k
= x
f
k
+ K
k
(y
k
− H
k
x
f
k
)
P
a
k
= [I − K
k
H
k
]P
f
k
(1.11)•
Prévisionx
f
k+1
= M
k,k+1
(x
a
k
)
P
f
k+1
= M
k,k+1
P
a
k
M
T
k,k+1
+ Q
k
K
k+1
= P
f
k+1
H
T
k+1
[H
k+1
P
f
k+1
H
T
k+1
+ R
k+1
]
−1
(1.12)1.2.3 Contraintes liées à la mise en ÷uvre pratique
La mé onnaissan e des erreurs intervenant lors de la miseen ÷uvre des algorithmes
d'assimi-lation de données (observation, ébau he, analyse, modèle, ...) rend l'estimation des matri es de
ovarian es d'erreur P, R et Q très di ile, e qui rend leltre sous-optimal. De plus, la matri e
de ovarian e d'erreur d'analyse, de dimension
n × n
(n
est la dimension spatiale du problème),n'estpas sto kable dire tement pour desdomaines d'étude étendus.Demême, le oûtde al ul lié
àl'évolution temporellede ette matri ede ovarian e deserreursd'analyseestprohibitif.Ennla
linéarisationdesopérateursqui onduit ànégliger ertains termesd'ordresupérieur,faitapparaître
desproblèmesde fermeture dansles équations d'évolution des ovarian es d'erreur.
Pour rendrele al ulréalisable, Evensen([23 ℄)adéveloppéunltre deKalman d'ensemble.
L'estimation des ovarian es d'erreurs est basée sur une méthode de Monte-Carlo, qui permet de
s'aran hir d'une partie des problèmes ités i-dessus. Il estime de ette façon, à partir d'un
en-sembled'états, une densitéde probabilité deserreurs.
Unautretypedeméthodesdéveloppéesdefaçonàdiminuer les oûtsde al ul liésàlatailledes
problèmesréalistesren ontrés sont lesméthodesderang réduit,mieuxadaptées aux ongurations
degrande taille.Ces méthodesfont l'objetde lase tion1.5.
1.3 Assimilation variationnelle
Les méthodes variationnelles, basées sur la théorie de l'optimisation (ou du ontrle optimal),
ont une appro he diérente. Il s'agit de prendre en ompte globalement, dans la phase d'analyse,
une série temporelle d'observations distribuées sur un intervalle [0,T℄. Ce type de méthodes est
ouramment utilisé depuis quelques années de façon opérationnelle dans les entres de prévisions
météorologiques(CEPMMTpourEuropeanCentreforMedium-RangeWeatherFore asts,National
permettent de ontrler que l'état analysé, en ee tuant des orre tions lo ales en temps (x
a
est
lo alisé en temps au même instant que la donnée observée) et induisent une traje toire globale
temporellepeu régulière,lesméthodesvariationnellessedénissentdavantage omme uneméthode
delissage,parajustementde lasolution entemps eten espa e.Defaçon générale,ellespermettent
de ontrlerdiérentesvariables ommela onditioninitialebiensûrmaisaussi ertainsparamètres
dumodèle y ompris ertaines erreurs. En général, 'est plutt la ondition initiale qui est hoisie
ommevariablede ontrle,maisplusieurs travauxré ents, ommeàgrenoble lestravauxd'Arthur
Vidard [63℄ ou en ore eux de Sophie Durbiano [22℄ montrent qu'il est tout à fait envisageable
de her her à ontrler l'erreur modèle. Par ontre, es méthodes ne fournissent pasexpli itement
d'estimation des erreurs d'analyse et de prévision faites au ours des y les omme le font les
méthodesbaséessurleltrede Kalman(l'estimationdeserreursd'analyseengendrerait un oûtde
al ul supplémentaire).
1.3.1 Formulation du problème
Dans leformalisme variationnel, onévalue unefon tion oût,
J(
x) = J
o
(
x) + J
b
(
x)
, onstituéeleplus souvent d'un premier terme
J
o
qui quantie l'é art entre la solution fournie par le modèleetles observations etd'un se ond terme quiquantiel'é art àl'ébau he. On onsidèreen eetque
l'ébau heestunétatpertinentdusystèmeetqu'ilnefautpastrops'enéloigner.Cedeuxièmeterme
joueun rlerégularisant pour lasolution obtenue.
L'obje tif est de trouver l'état initial x
0
qui minimise ette fon tion oût. Ce paragraphe estonsa ré à la des ription des prin ipales méthodes d'assimilation variationnelle, dont nous allons
exposerbrièvementlesalgorithmes.Laminimisationdelafon tionde oûtsefaitsurdesintervalles
T1
T2
T3
T0
Spin−up
Analyse
Prevision
Assimilation
Periode 1
Assimilation
Periode 2
1
sans assimilation
de controle
Variables
Temps
1
Obs
Obs
Obs
Prévision
Prévision
2
après analyse
après analyse
Trajectoire du modèle
Trajectoire du modèle
après analyse
X
b2
X
01
= Xb1
X
a2
X
a1
Fig. 1.2 Pro essusglobal d'assimilationvariationnelle
Lagure1.3dé rit plusen détaillapro édure surunepériode d'assimilation,ave ledétaildes
diérentstermes.
T0
Tn
Obs
Obs
Obs
Obs
Obs
Prévision
corrigée
Prévision
Periode d’assimilation
issue de l’ébauche
J
0
J
b
J
0
Fig. 1.3 Une période d'assimilationvariationnelle
L'information fourniepar lesdonnées disponiblesest priseen ompte globalement surun
inter-valle de temps, ontrairement à l'assimilation séquentielle pour laquelle la orre tion ne tient plus
1.3.1.1 Formulation ontinue
Formellement,onavuquelesystèmeinitialmodélisésousuneforme ontinueapourexpression:
∂X
∂t
= M(X, t),
t ∈ [0, T ]
X(0) = U
(1.13)X estlavariabled'état du système ontinu et Ula ondition initiale.
La partie observations dusystèmedé rit peut semettre souslaforme :
Y
o
:
leve teur d'observationsH(X) = Y
: l'équivalent modèle desobservations(1.14)
La fon tion oût
Onsepla e dansle asdu ontrle de la onditioninitialeU.Onpeut quantier l'é artentreles
valeurs des variables obtenues par intégration du modèle dire t, aux points d'observations, et les
valeursobservées, surlafenêtre temporelle onsidérée.Ave lanorme
k.k
o
dénie dansl'espa edesobservations,
J
o
a don pour expression :J
o
(U ) =
1
2
Z
T
0
kH(X) − Y
o
k
2
o
dt
(1.15)Le terme
J
b
qui mesure l'é art à l'état initial (ou en ore ébau he et notéX
b
), ave la normek.k
b
dansl'espa emodèle, seformulede lafaçon suivante :
J
b
(U ) =
1
2
kU − X
b
k
2
b
(1.16)Lafon tion oûttotale s'é rit omme lasommede es deuxtermes :
J(U ) = J
0
+ J
b
=
1
2
Z
T
0
kH(X) − Y
o
k
2
o
dt +
1
2
kU − X
b
k
2
b
(1.17)On her he, dansun problème lassique,à obtenir une orre tion apportée àl'état initial qui
four-nisse une traje toire de prévision qui minimise l'é art aux observations et l'é art à l'ébau he sur
un y lexé. On her he don
U
∗
, l'étatinitial quiminimise ette fon tion oût
J(U )
. Notonsqueettefon tionnelleestleplussouventnon- onvexeetpeutdon omporterplusieursminimalo aux.
1.3.2 Formulations di rètes
Danslesappli ationsen météorologieou o éanographie, onne disposepasd'unmodèle ontinu
nid'un état ontinumaisd'unmodèled'évolution dis retainsiqued'unétatexprimé surune grille
dis rète.Il en est demême pour les observations qui sont surune grille spatio-temporelle dis rète.
De plus, spatialement, la ouverture des données est bien moindre que le nombre de points de
grillede al ul dumodèle.La formulation pré édente s'étendauxproblèmesdis rets enrempla ant
simplement les dérivéespar dess hémas dis rets et les intégrales par dessommes dis rètes omme
nous allons le onstater à travers la des ription de plusieurs algorithmes. Dans ette partie, on
1.3.2.1 Le 3D-Var
Le 3D-Varest uneméthode d'assimilationvariationnelle, ara térisée parl'absen e de
dimen-siontemporelle. Les observations prisesen ompte sont ramenées à l'instant où s'ee tue
l'assimi-lation (il existe ependant une version FGAT du 3D-Var (First Guess at Appropriate Time) qui
permet de s'aran hir de ette ontrainte). La fon tion de oût asso iée au3D-Var s'é ritalors :
J(
x) =
1
2
(
x−
xb
)
T
B−1
(
x−
xb
) +
1
2
(
yo
− H(
x))
T
R−1
(
yo
− H(
x))
(1.18)Laminimisationsefaitparuneméthodedegradient.Legradient de
J(
x)
dans e asest al ulableeta pourexpression :
∇
x
J =
HT
R−1
[H(
x) −
yo
] +
B−1
[
x−
xb
]
(1.19)Cette formulation a notamment étéutilisée dans les travaux d'Andersson et al. ([3℄) au entre
ECMWF.
1.3.2.2 Le 4DVar
Dans le as du 4DVar, la dimension temporelle apparaît expli itement, en parti ulier dans
l'expressiondelafon tion oûtquenousavonsvupré édemment.Laformulationdis rètes'é rit de
lafaçon suivante :
J(
x0
) =
1
2
(
x0
−
xb
)
T
B−1
(
x0
−
xb
) +
1
2
p
X
i=1
(
yo
i
− H
i
(
xi
))
T
R−1
i
(
yo
i
− H
i
(
xi
))
(1.20)Pour esdeuxméthodes,suivant latailledusystèmeétudié,latailledesmatri esutiliséespeut
largement dépasser les apa ités a tuelles de sto kage. De plus, laminimisation est une opération
oûteuse en temps de al ul. Pour pallier ette di ulté, Courtier et al. ([16 ℄) ont introduit une
formulation dite "in rémentale" qui porte sur un in rément de l'état initial et non plus sur la
onditioninitialeentière.
1.3.2.3 Le 4DVar in rémental
Il s'agitd'uneformulation quia pour but deréduire le oûtdu 4DVar enfournissantune
so-lutionappro hée. L'intégrationdumodèledire t non-linéaireétant oûteuse,lavariablede ontrle
estmisesousla forme:
δ
x0
=
x0
−
xb
δ
x0
estunepetiteperturbationautourdel'ébau he,pourlaquelleleshypothèseslinéairestangentesappliquéesaumodèledire t et à l'opérateur d'observation sont valides. Lemodèlelinéaire tangent
est é rit ave une physique simpliée e qui garantit une intégration moins oûteuse et l'é riture
de son modèle adjoint en est fa ilitée. Il est, de plus, souvent mis en ÷uvre ave une résolution
inférieureà elledu modèledire t. Sous eshypothèses, lafon tion oûtdevient alors quadratique
parrapport àl'in rément d'analyse
δ
x0
.x
(t
i+1
) = M
0→i
(
x(t
0
)) = M
0→i
(x
b
+ δ
x0
)
≃ M
0→i
(
xb
) +
M0→i
δ
x0
≃
xb
(t
i
) +
M0→i
δ
x0
Soit
G
l'opérateur déni par :G
i
(
xb
) = H
i
[
xb
(t
i
)] = H
i
[M
0→i
(
xb
)]
Lesopérateurslinéarisés autourde l'ébau he sont al ulés de lafaçon suivante :
M
=
∂M
∂
x x=
xb,
Hi
=
∂H
i
∂
x x=
xb,
Gi
=
∂G
i
∂
x x=
xb Ilvient :H
i
[
x(t
i
)] = H
i
[
xb
(t
i
)] +
Hi
δ
x0
+ kδ
x0
k
2
+ ...
(1.21)G
i
[
x] = G
i
[
xb
] +
Gi
δ
x0
+ kδ
x0
k
2
+ ...
(1.22)Leve teurd'innovation
d
i
estdéni par :d
i
=
yo
i
− H
i
M
i
xb
La fon tion oût s'é rit alors :
J(δ
x0
) =
1
2
(δ
x0
)
T
B
−1
δ
x0
+
1
2
N
X
i=1
(H
i
M
t
i
,t
0
δ
x0
− d
i
)
t
R
−1
i
(H
i
M
t
i
,t
0δ
x0
− d
i
)
(1.23)L'état analysé est alors obtenu par addition de la solution du problème de minimisation de la
fon tion oût (in rément optimal) à l'ébau he.
x
a
=
xb
+ δ
xa
0
(1.24)Cetteversiondu4DVarest ouramment utiliséeenmétéorologie ([47 ℄)et également en
o éa-nographie,dansdestravauxré ents([67℄, [62℄).
1.3.3 Contrle de l'erreur modèle
1.3.3.1 4D-Var
Dans laformulation omplète, on ajoute dansles équations régissant l'évolution temporelle du
système un terme orrespondant à la prise en ompte de l'erreur modèle de la forme
Bη
. Si onrevient àlaformulation ontinue de lafon tion oût,on a alors :
J(U, η) =
1
2
(δ
x)
T
B
−1
δ
x+
1
2
Z
T
0
kH(U) − Y
o
k
2
o
dt +
1
2
Z
T
0
kηk
2
Q
dt
(1.25)Qest unterme depondérationquidénitune normepourle al uldu termed'erreur modèle. Une
foisdis rétisé,lemodèleadjointpermetégalementde al uler etermeetlaformulationdugradient
deJ in lut unterme supplémentaire quidépend del'étatadjoint.Cetteméthode anotamment été
implémentée ettestéesurdes ongurationsidéalisées etréalistesparArthurVidard[63℄.Ila aussi
testé ettepriseen omptedansle adredelarédu tiond'ordre.Le hoixdesve teurss'estee tué
enprenant lespremiers termesdudéveloppement ensériedeFourier. Cetravailaété omplété par
SophieDurbiano [22℄quiatesté etteprise en omptedel'erreur modèledansle adredu 4DVar
1.3.3.2 Les méthodes duales
Uneautreméthodepermetdeprendreen omptel'erreurmodèle:laméthodedesreprésenteurs
(4D-PSAS).Lafon tion oûts'é ritdelamêmefaçonquepré édemment.Lasolutionintroduitepar
Bennett[7℄etAmodei[2℄estdetravailler suruneformulationdualedu4D-Var: laminimisationse
faitalorsdansl'espa edesobservations.Lafon tion oût,dualede
J
dansl'espa edesobservations,faitintervenir de lamême façon les matri esB,R et Q.Cette méthode a étéutilisée par exemple
par Louvel ([38 ℄), ave un modèle o éanique aux équations primitives (MICOM) à 4 ou hes. On
peut également iter les travaux de Auroux ([4℄), sur une méthode duale appliquée à un modèle
quasi-géostrophique.
1.3.4 Minimisation de la fon tion oût par méthode adjointe
La minimisation s'ee tue au moyen d'un algorithme de des ente de type gradient onjugué,
qui né essite l'évaluation de la quantité
∇J
à haque itération de minimisation. Etant donnée ladimension de l'espa e de ontrle, il serait irréaliste d'estimer dire tement e gradient. On utilise
don une résolution par méthode adjointe (Le Dimet et Talagrand [34℄), basée sur la théorie du
ontrle optimal.
1.3.4.1 Méthode de l'adjoint pourun modèle ontinu
Le système onsidéré peut semodéliser souslaforme :
∂X
∂t
= M(X, t),
t ∈ [0, T ]
X(0) = U
Lesnotationsutiliséessont elles introduitespar leséquations(1.13) et (1.14).Lafon tion oût
estdonnée par l'équation(1.17).
Le al uldu terme
∇J
b
ne posepasde problèmepuisqu'ilest delaforme B−1
δ
x
0
.La méthodeadjointe sert uniquement à al uler
J
o
.On her he
U
∗
tel que
J
o
(U
∗
) = min J
o
(U )
. La variable de ontrle de laminimisation est i ila ondition initiale
U
. Laminimisation aurait puporter surune autrevariablede ontrle ommepar exemple les onditions aux limites ou en ore ertains paramètres du modèle. L'expression du
gradient de lafon tion oût omporterait alors destermes supplémentaires.
Une onditionné essairedu premierordrepourque
U
∗
vérie eminimum estl'équation
d'Eu-ler:
∇J
o
(U
∗
) = 0
On onsidèreuneperturbation
δu
appliquéeàla onditioninitialeU
.LadérivéedeGâteaux deJ
o
(U )
, notéeJ
ˆ
o
, dansladire tion deδu
estdonnée par :ˆ
J
o
(U, δu) = lim
α→0
J
o
(U + αδu) − J
o
(U )
α
(1.26)Onnote<, >leproduit s alaire asso ié àlanorme
k . k
o
ave< a, b >=
R
T
0
(a, b)dt
.ˆ
J
o
(U, δu) =< ∇J
o
, δu >
Soit
ˆ
X
la dérivée de Gâteaux de la variable d'étatX
. La dérivée du système ontinu (1.13),pour une perturbation
δu
surla onditioninitiale, s'é rit :
∂ ˆ
X
∂t
=
∂M
∂X
X
ˆ
ˆ
X(0) = δu
(1.27)Par dénition de la fon tion oût liée aux observations
J
o
(U ) =
1
2
R
T
0
kH(X) − Y
o
k
2
o
dt
et en supposant queH(X) = H.X
, ona :ˆ
J
o
(U, δu) =< HX − Y
o
, H ˆ
X >=< ∇J
o
(U ), δu >
(1.28)Dansun deuxième temps,on onsidère une variable arbitraire
P
,qui alamême dimension queˆ
X
. Onpeut alors é rireà partir dusystème (1.27):<
∂ ˆ
X
∂t
, P >=
Z
T
0
(
∂ ˆ
X
∂t
, P )dt =<
∂M
∂X
X, P >
ˆ
(1.29)Enintégrant lepremier membre de (1.29)par parties, on obtient lesystème:
( ˆ
X(T ), P (T )) − ( ˆ
X(0), P (0))− < ˆ
X,
∂P
∂t
>=<
∂M
∂X
X, P >=< ˆ
ˆ
X,
∂M
∂X
T
P >
(1.30)Enutilisant
X(0) = δu
ˆ
, l'équation (1.30) devient:( ˆ
X(T ), P (T )) − (δu, P (0)) =< ˆ
X,
∂P
∂t
+
∂M
∂X
T
P >
(1.31)Enutilisant ladénition del'adjoint de
H
, l'équation (1.28) peut seréé rire sous laforme:< δu, ∇J
o
(U ) >=< ˆ
X, H
T
(HX − Y
o
) >
(1.32)Si onidentieles équations (1.31) et (1.32),on dénit lesystèmeadjoint de lafaçon suivante :
∂P
∂t
+
∂M
∂X
T
.P = H
T
(HX − Y
o
)
P (T ) = 0
(1.33) Et onobtient l'égalité :∇J
o
(U ) = −P (0)
(1.34)P
est solutiondu systèmeadjoint dumodèle linéaire tangent∂M
∂X
, intégré de façon rétrogradeà partir de la ondition initiale
P (T ) = 0
. En pratique, pour obtenir∇J
o
, il faut don intégrerde façon rétrograde le modèle adjoint, obtenu à partir du modèle linéaire tangent, sur le même
intervalle de temps que pour le y le d'assimilation, e qui permet d'obtenir la valeur du gradient
Onremarque que
∂M
∂
XT
ontient toute la traje toire de référen e du modèle dire t, e qui
in-duit unproblème desto kage.
Ondoitrajouterbiensûr ledeuxième terme
J
b
danslaformulation du gradient.1.3.4.2 Méthodes adjointes pourun modèledis ret
On applique la méthode dé rite pour le modèle ontinu dans le as dis ret. Pour le modèle
dis ret( equi nousintéresse enpratique), l'évolution temporelleave unmodèle
M
s'é rit :(
x
i+1
= M
(t
i
,t
i+1
)
(
xi
),
t
i
∈ {t
1
, ..., t
p
}
x0
(1.35)
x
0
estla onditioninitialedumodèledis ret.Lavariablede ontrleestenpratiquel'in rémentδ
x0
=
x0
−
xb
.L'état initialesttrèssouventpriségalàl'ébau heet don l'in rémentinitial estnul.
L'expression de lafon tion oûtdis rétisée devient alors :
J(δ
x0
) =
1
2
δ
x0
T
B−1
δ
x0
+
1
2
p
X
i=1
(
yi
− H
i
(
xi
))
T
R−1
i
(
yi
− H
i
(
xi
))
(1.36)oùBetR
i
sontlesmatri esde ovarian esd'erreursd'ébau heetd'observations.Sionperturbel'état initial par un hamp h
x
0
, la dérivée de Gâteaux suit l'évolution dans la dire tion de laperturbation,de lamême façon quepour lemodèle ontinu:
ˆ
xi+1
=
M(t
i
,t
i+1
)
xˆ
i
,
t
i
∈ {t
1
, ..., t
p
}
ˆ
x0
=
hx
0
(1.37)La dérivée dire tionnelle de lafon tion oûts'é rit alors :
ˆ
J(
x0
,
hx
0
) =
p
X
i=1
[
Ht
i
ˆ
xi
]
T
R−1
i
[H
t
i
(
xi
) −
yo
i
] +
hT
x
0
B−1
[δ
x0
]
(1.38) Ona demême :ˆ
J (
x0
,
hx
0
) = (∇
x
0
J,
hx
0)
(1.39)Sil'ondénitl'étatadjointx
∗
(équivalentdelavariableadjointe
P
pourlaformulation ontinue)del'état ourant xdu systèmepar :
x∗
i
=
MT
(t
i
,t
i+1
)
x∗
i+1
+
HT
t
i
R−1
i
(H
t
i
(
xi
) −
yo
i
)
x∗
p
= 0
(1.40)Onobtient alors par identi ation de(1.38) et (1.39) :